别被黑箱HR系统骗了：ATSFy如何用可解释打分让AI招聘透明化

ATSFy 是一个来自印度东北部的 AI 招聘平台。今天想聊聊他们候选人筛选功能背后的设计——特别是“可解释性”和“打分透明”这件事。

大多数招聘系统的打分有多坑？

绝大多数 ATS（应聘追踪系统）只靠关键词密度来排序。你把职位描述（JD）扔进去，它吐出一个匹配百分比。没有理由，没有分解，你根本没法查证为什么候选人 A 得了 87 分而 B 只有 63 分。

这根本不是可解释的 AI —— 这只是一个披着置信分数外衣的黑箱子。

ATSFy 想做得更好。

ATSFy 的筛选系统会接收一份职位描述和一堆简历（支持 PDF、DOCX、TXT，批量上传），然后通过 Claude 驱动的一套评估流程，返回一个按四个维度打分的候选人排名列表：

Technical Fit      →  技能档案是否匹配岗位？
Experience Depth   →  职业经历的相关性有多高？
Education Match    →  教育背景是否满足要求？
Cultural Alignment →  价值观和工作风格信号

每个维度独立打分，再根据权重合成一个 0-100 的综合分数。

每个候选人档案上的技能标签都有标记：

比如 JD 要求 Kubernetes 经验，而简历里写了“领导了容器化基础设施迁移，规模很大”，系统可能会推断出 K8s 熟悉度——但会标记为“推断”，而不是“已验证”。招聘官能清楚看到这个区别。

同样的道理也用在摘要上。每个候选人会得到一行理由：

“领导了 K8s 迁移，将云成本降低 38% —— 直接匹配平台职责。”

这不是生成的废话。这是系统从简历中提取的最有力的证据。

关于 AI 招聘的监管压力正在到来——尤其是透明度和可解释性方面。欧盟 AI 法案将自动招聘决策列为高风险。可解释性不只是锦上添花，它将成为法律要求。

现在就把透明度嵌入核心打分逻辑，意味着未来不是靠补丁合规，而是天生合规。

前端：TypeScript + React + Vite
后端：Node.js + Express
评估管道：Claude API
持久化：Neon（PostgreSQL）
部署：Vercel

他们正在快速迭代，目前在做的：

如果您也在做 HR Tech 或 AI 评估系统，欢迎交流。